論文の概要: EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2211.13125v1
• Date: Fri, 18 Nov 2022 21:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-27 13:07:56.983353
• Title: EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation
• Title（参考訳）: 深部知識蒸留を用いた単葉心電図に基づく睡眠ステージングの脳波支援
• Authors: Vaibhav Joshi, Sricharan V, Preejith SP, Mohanasankar Sivaprakasam
• Abstract要約: 心電図(Electrocardiogram, ECG)は、睡眠期における脳波の代替としてより適している。 知識蒸留(KD)はDeep Learning(DL)において有望な概念であり、優れたパフォーマンスだがより複雑な教師モデルから劣るがコンパクトな学生モデルまで知識を共有している。 本研究は, 単チャンネル心電図による3クラス (W-R-N) と4クラス (W-R-L-D) の睡眠ステージング性能向上のためのKDの実現可能性を示す。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: An electroencephalogram (EEG) signal is currently accepted as a standard for automatic sleep staging. Lately, Near-human accuracy in automated sleep staging has been achievable by Deep Learning (DL) based approaches, enabling multi-fold progress in this area. However, An extensive and expensive clinical setup is required for EEG based sleep staging. Additionally, the EEG setup being obtrusive in nature and requiring an expert for setup adds to the inconvenience of the subject under study, making it adverse in the point of care setting. An unobtrusive and more suitable alternative to EEG is Electrocardiogram (ECG). Unsurprisingly, compared to EEG in sleep staging, its performance remains sub-par. In order to take advantage of both the modalities, transferring knowledge from EEG to ECG is a reasonable approach, ultimately boosting the performance of ECG based sleep staging. Knowledge Distillation (KD) is a promising notion in DL that shares knowledge from a superior performing but usually more complex teacher model to an inferior but compact student model. Building upon this concept, a cross-modality KD framework assisting features learned through models trained on EEG to improve ECG-based sleep staging performance is proposed. Additionally, to better understand the distillation approach, extensive experimentation on the independent modules of the proposed model was conducted. Montreal Archive of Sleep Studies (MASS) dataset consisting of 200 subjects was utilized for this study. The results from the proposed model for weighted-F1-score in 3-class and 4-class sleep staging showed a 13.40 \% and 14.30 \% improvement, respectively. This study demonstrates the feasibility of KD for single-channel ECG based sleep staging's performance enhancement in 3-class (W-R-N) and 4-class (W-R-L-D) classification.
• Abstract（参考訳）: 脳波(eeg)信号は、現在自動睡眠ステージングの標準として受け入れられている。 近年、Deep Learning (DL) ベースのアプローチにより、自動睡眠ステージングにおける人間に近い精度が達成され、この分野における多面的な進歩が実現されている。 しかし、脳波ベースの睡眠ステージリングには広範囲で高価な臨床装置が必要である。 さらに、脳波の設定は本質的に邪魔で、専門家が必要であり、研究中の被験者の不便さが増し、ケア設定の点で悪影響を及ぼす。 脳電図(ECG、Electrocardiogram、ECG)は、脳波の指標である。 当然ながら、睡眠ステージにおける脳波と比較しても、パフォーマンスは相変わらず劣っている。 両方のモダリティを活用するために、EEGからECGへの知識伝達は合理的なアプローチであり、最終的にECGベースの睡眠ステージングの性能を高める。 知識蒸留(KD)はDLにおいて有望な概念であり、上質だがより複雑な教師モデルから劣等でコンパクトな生徒モデルまで知識を共有する。 この概念に基づいて,脳波モデルを用いて学習し,心電図に基づく睡眠ステージング性能を向上させることを目的とした,クロスモーダルなKDフレームワークを提案する。 さらに, 蒸留法をより深く理解するために, 提案モデルの独立モジュールに関する広範な実験を行った。 本研究には200名の被験者からなるモントリオール睡眠研究資料(MASS)を用いた。 3級と4級の睡眠ステージにおける重み付きF1スコアモデルの結果,それぞれ13.40 %,14.30 %の改善が認められた。 本研究は, 単チャンネル心電図による3クラス (W-R-N) と4クラス (W-R-L-D) の睡眠ステージング性能向上のためのKDの実現可能性を示す。

関連論文リスト

• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• ECG-SleepNet: Deep Learning-Based Comprehensive Sleep Stage Classification Using ECG Signals [4.070551979222657]
  本研究は,心電図信号を用いた睡眠段階分類のための新しい3段階アプローチを提案する。 第1フェーズでは、FIN(Feature Imitating Networks)を用いて重要な特徴を推定し、より高精度で高速な収束を実現する。 第2段階は、心電図信号の時間周波数表現によるN1睡眠段階の同定に焦点を当てている。 第3段階は以前の段階からモデルを統合し、KAN(Kolmogorov-Arnold Network)を使用して5つの異なる睡眠ステージを分類する。
  論文  参考訳（メタデータ） (2024-12-02T19:31:25Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
  本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。 2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
  論文  参考訳（メタデータ） (2024-06-14T14:55:53Z)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification [1.565361244756411]
  EOG信号を用いた自動睡眠ステージ分類に革新的アプローチを導入し、脳波データ取得に伴う不快感と非現実性に対処する。 提案するSE-Resnet-Transformerモデルは、生のEOG信号から5つの異なる睡眠ステージを正確に分類する。
  論文  参考訳（メタデータ） (2023-09-25T16:23:39Z)
• Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability [5.747465732334616]
  本研究では,残差ネットワーク内に圧縮ブロックと励起ブロックを統合し,複雑な時間的依存関係を理解するために,特徴抽出と積み重ねBi-LSTMを組み込んだエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 本研究の特筆すべき側面は、睡眠ステージングのためのGradCamの適応であり、この領域における説明可能なDLモデルの最初の事例であり、その決定と睡眠専門家の洞察の一致である。
  論文  参考訳（メタデータ） (2023-09-10T17:56:03Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• A Knowledge Distillation Framework For Enhancing Ear-EEG Based Sleep Staging With Scalp-EEG Data [3.382472583898067]
  ポリソムノグラフィーによる睡眠研究は不快感としばしば睡眠の質の低下と関連している。 これまでの研究は、高品質な睡眠研究を行うための邪魔にならない方法の開発に重点を置いてきた。 ドメイン適応手法であるクロスモーダルな知識蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-27T01:32:58Z)
• A Deep Knowledge Distillation framework for EEG assisted enhancement of single-lead ECG based sleep staging [1.181206257787103]
  脳波で訓練されたモデルを用いて学習した特徴の助けを借りて、ECGベースの睡眠ステージング性能を向上させるためのクロスモーダルKDフレームワークを提案する。 提案したモデルでは、それぞれ4クラスと3クラスの睡眠ステージにおける重み付きF1スコアが14.3%、13.4%増加した。
  論文  参考訳（メタデータ） (2021-12-14T09:35:40Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。